论文名称：Selective Information Passing for MRCT Image Segmentation 论文地址： http://arxiv.org/pdf/2010.04920v1.pdf

医学图像的自动分割在许多临床应用中发挥着重要作用，但由于图像背景纹理复杂，边界不清晰，图像之间的形状和纹理变化明显，分割是一项非常具有挑战性的任务。许多研究者提出了一种具有跳跃连接的编-解码器架构，将来自编码器路径的低级特征图与来自解码器路径的高级特征图结合起来，用于自动分割医学图像。跳跃连接在恢复目标对象的细粒度细节方面有效，并可以促进渐变反向传播。然而，并不是所有由这些连接传输的特征映射都对网络性能有积极的贡献。为了自适应地选择有用的信息通过跳转连接，本文提出了一种具有自监督功能的3D网络——选择信息传递网络(selective information passing network, SIP-Net)。我们在MICCAI 2012年前列腺MR图像分割挑战赛数据集、TCIA胰腺CT-82和MICCAI 2017年肝脏肿瘤分割(LiTS)挑战赛数据集上评估了本文提出的模型。实验结果表明，我们的模型实现了改进的分割结果，并优于其他最新方法。

内容中包含的图片若涉及版权问题，请及时与我们联系删除